位置大数据的联邦学习统计预测与差分隐私保护方法

来源：计算机应用杂志2025年第1期北京时间：

作者：晏燕, 钱星颖, 闫鹏斌, 杨杰

单位：兰州理工大学 计算机与通信学院，兰州 730050

摘要：针对分布式位置大数据收集导致的信息孤岛问题和位置隐私泄露面临的风险，提出一种基于联邦学习的位置大数据统计预测与隐私保护方法。首先，构建基于横向联邦学习的位置大数据统计预测发布框架，该框架允许各行政区域的数据收集者保留各自的原始数据，并使多个参与方通过交换训练参数来协同完成预测模型的训练任务；其次，针对具有时空序列特性的位置大数据密度统计预测问题，设计PVTv2-CBAM，以提高客户端预测结果的准确性；最后，提出一种差分隐私预算的动态分配和调整算法，并结合MMA （Modified Moments Accountant）机制实现对客户端模型的差分隐私保护。实验结果表明，相较于卷积神经网络（CNN）、长短期记忆（LSTM）网络、卷积LSTM（ConvLSTM）模型，PVTv2-CBAM在Yellow_tripdata数据集和T-Driver轨迹数据集上预测的平均绝对误差分别降低0~62%和39%~44%；所提差分隐私预算动态分配和调整算法在调整阈值为0.3和0.7时，使模型预测的准确率与无动态调整相比分别提高了约5%与6%。以上结果验证了所提方法的可行性和有效性。

关键词：位置大数据,位置隐私,联邦学习,差分隐私,深度学习

基金资助：国家自然科学基金资助项目(62361036);甘肃省自然科学基金资助项目(22JR5RA279)